冬小麦叶面积指数的高光谱估算模型研究

本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。     

基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究

以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。     

高光谱反演水稻叶面积指数的主成分分析法

为了通过水稻冠层反射光谱来提取水稻叶面积指数信息，尝试利用辐射传输模型PROSPECT+SAIL来模拟水稻冠层反射光谱， 比较了各植被指数中叶面积指数(LAI)和叶绿素浓度的相关性。在观察光谱曲线后发现，红边位置光谱可以较好地区分LAI和叶绿素 浓度二者引起光谱变化的差异。由此提出对700 nm~750 nm区间内的反射光谱做主成分变换，并利用第2主成分与LAI建立反演模型( 即主成分分析法)，取得了较好效果，表明在植被指数趋近于饱和以至于无法区分二者相关性时，主成分分析法可以作为一种简单 而有效提取水稻叶面积指数信息的补充手段。     

无人机多光谱数据反演叶面积指数方法研究

利用顾及敏感性分析的PROSAIL模型和植被指数模型,以青岛地区玉米作物为研究对象,对无人机多光谱影像的叶面积指数反演进行研究.反演结果显示顾及敏感性分析PROSAIL模型的R2为0.79,GNDVI植被指数反演结果的R2为0.82.实验表明利用无人机多光谱数据可进行玉米叶面积指数的反演,且效果较好.     

植被叶面积指数估算的红边指数建模分析

针对在路域环境监测中,如何精确估算叶面积指数问题,该文提出以长韶娄高速路域为研究区,筛选出4种常用植被指数和4种红边指数两类指数,分别构建了经验模型和机器学习的反演模型,利用Sentinel-2影像数据和同步的LAI-2000地面实测数据完成路域植被叶面积指数反演。结果表明,红边波段参与运算的植被指数与植被叶面积指数敏感性是显著相关,红边指数在反演精度上更优。由此可知,相较于常见植被指数,红边指数增强了其与叶面积指数的敏感性,提高了叶面积指数估算模型精度。     

基于地面试验的植被覆盖率估算模型及其影响因素研究

以植被覆盖率的遥感反演为研究主线,以玉米作物为例,在基于地面试验获得作物光谱、叶面积指数和多角度覆盖率的基础上,对目前普遍采用的两种基于植被指数的植被覆盖率估算模型进行了精度比较,同时对植被覆盖率反演的影响因子(叶面积指数、植被空间分布和观测角度)进行了分析.由此得到:估算植被覆盖率的最优植被指数为归一化植被指数;叶面积指数对植被指数与植被覆盖率间关系的影响随植被的生长不断增大;植被空间分布对垂直覆盖率的估算影响很小.对于多角度覆盖率有这样的规律,即在4种空间分布下,以0°观测天顶角(VZA)为中心,在相反方位角上随VZA的增加,覆盖率值基本呈对称分布;在玉米刚出苗时,覆盖率随VZA的增加而增加,当VZA=0°时达到最小值,而随着玉米的进一步生长,4种分布条件下覆盖率随VZA的增加反而降低,在VZA=0°时达到最大值.     

利用辐射传输模型和随机森林回归反演LAI

针对辐射传输模型与查找表结合反演叶面积指数的方法存在反演工作量大且反演速度缓慢的问题,提出利用辐射传输模型和随机森林组合模型对路域植被叶面积指数进行估算的方法。该模型定义一种辐射传输模型和随机森林回归模型结合反演叶面积指数的方法。以研究区实测高光谱数据和模拟光谱数据为数据源,在相关性分析和敏感性分析的基础上,选取适宜作为反演因子的植被指数,而后进行随机森林算法回归,反演得到预测叶面积指数。结果表明:基于辐射传输模型和随机森林算法反演的路域植被叶面积指数与实测结果一致,准确及时的反映路域植被叶面积指数信息,可以较好地应用在路域环境植被参数反演中。     

光学与微波植被指数协同反演农作物叶面积指数的可行性分析

光学遥感是目前反演植被叶面积指数LAI（Leaf Area Index）的主要手段,但是当叶面积指数较大时存在光学遥感信息饱和、反演精度显著降低的问题。叶面积指数和平均叶倾角对光学、微波波段范围内反射和散射特性都有重要影响,主要表现在植被结构参数的变化可以引起冠层孔隙率和消光截面大小的改变。本文以典型农作物玉米为例,通过构建统一的PROSAIL和MIMICS模型输入参数,生成一套玉米全生长期光学二向反射率和全极化微波后向散射系数模拟库和冠层参数库。通过对模拟数据与LAI敏感性和相关性分析得出：（1）光学植被指数MNDVI_{(800 nm,2000 nm)},在LAI为0—3时敏感,基于MNDVI与LAI的回归模型可以估算LAI变化 0.4的情况,RMSE是0.33,R²是0.958。（2）微波植被指数SAR_{SRVI(1.4 GHz HH,9.6 GHz HV)},在LAI为3—6时敏感,基于SAR_SRVI与LAI的回归模型可以估算LAI变化1的情况,RMSE为0.22,R²是0.9839。研究表明,采用分段敏感的植被指数,协同光学和微波遥感反演玉米全生长期叶面积指数是可行的。     

GLIBERTY-DSAIL耦合模型反演南方混交林植被LAI

针对南方丘陵地区针叶-阔叶混交林植被叶面积指数（leaf area index，LAI）反演精度低且研究较少的问题，本文提出了一种GLIBERTY-DSAIL耦合模型组合多元线性回归反演LAI的方法。本研究以GLIBERTY-DSAIL模型模拟光谱和植被实测高光谱为数据源，通过相关性分析，选取与LAI相关性高的植被指数作为反演因子，构建多元线性回归模型定量反演植被LAI并进行精度评定。结果表明：与LAI显著相关的RVI、DVI、GNDVI、MSAVI这4种植被指数作为反演因子，结合本文提出的组合模型反演LAI，模型预测决定系数R²为0.708 6，均方根误差RMSE为0.302 1，精度整体较高。该组合方法可较好地用于反演针叶-阔叶混交林植被LAI，为南方地区混交林LAI的研究提供新思路。     

GF-6影像下的南方路域针叶植被LAI反演研究

为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演.该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+ SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法.研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度.结果 表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI.     

New Triangle Vegetation Indices for Estimating Leaf Area Index on Maize

Vegetation index-based methods have been widely used to determine the leaf area index (LAI). Nevertheless, under the high canopy coverage, the estimation ability of current inversion models has been profoundly decreased, due to the “saturation” phenomenon. In this study, the LAI of maize was investigated under various growth conditions. Two new triangular vegetation indices were proposed to improve the inversion ability and estimation accuracy of LAI on maize. The triangle difference vegetation index (TDVI) and triangle ratio vegetation index (TRVI) were constructed, and their accuracies were compared with the present spectral vegetation index models. The result shows that TDVI and TRVI are highly linearly correlated with LAI. The coefficients of determination (R²) and root-mean-square errors are, respectively, 0.92 and 0.94, and 1.42 and 0.92 using the simulated data, while they are, respectively, 0.83 and 0.77, and 0.98 and 1.05 using the measured data. In comparison with other vegetation indices (e.g. MSR, MTVI2, RTVI), TDVI is better able to estimate the LAI of maize. Conversely, TRVI has better inversion ability when the LAI is more than 3. Overall, TDVI is an accurate and robust approach for estimating the LAI of maize. The proposed TDVI and TRVI can be jointly used to retrieve LAI at various canopy coverages.     

遥感植被指数对多时相AVHRR数据主成分分析的影响

对中国全年36个旬NOAA－AVHRR的1km覆盖数据进行两步处理：分别采用比值植被指数RVI、归一化植被指数NDVI、土壤调整植被指数SAVI和修改型土壤调整植被指数MSAVI最大值合成方法从每3旬数据合成每月数据；对每一种处理后的原始数据计算四种植被指数，并对这16种数据进行了主成分变换，分析不同处理方式对主分量积累方差和各主分量所分映生物学规律的影响。     

基于波谱知识库的MODIS叶面积指数反演及验证

目前用物理模型反演叶面积指数普遍存在缺少先验知识的状况，如何获得准确的先验知识是遥感走向应用的一个关键环节。中国典型地物标准波谱数据库就是结合国家重大行业中的应用需求，研究制定地物波谱获取与分析的技术规范和数据标准，建立典型地物标准波谱数据库。从波谱数据库提取模型反演所需要的先验知识，实现了基于SAIL模型的MODIS数据（经过几何纠正与大气纠正）叶面积指数的反演。另外，基于TM数据，对MODIS混合像元进行了分解，用纯像元的叶面积指数与实测数据进行对比验证，同时，反演结果与NASA的LAI产品也进行了对比，结果表明基于波谱库的先验知识可以有效的提高叶面积指数的反演精度。     

异质性地表的叶面积指数反演的不确定性分析

叶面积指数(Leaf Area Index)可用来反映作物的生长状况,常作为主要指标应用于农作物估产。本文研究遥感中常见的混合像元问题对LAI反演所带来的不确定性问题。研究的混合像元由两种情况构成,一种是由不同长势的作物所构成的混合像元,另一种情况是由不同端元形成的混合像元。结果表明,不同长势形成的混合像元对LAI的准确反演影响不大;不同组分形成的混合像元对LAI反演影响很大。从验证的角度讲,地面实测点的LAI数据不能代表一定分辨率区域的LAI的值,对于像元LAI的验证要注意正确获得像元的LAI。     

基于HJ-1B影像的内蒙古草地叶面积指数反演

针对HJ-1B星CCD数据,以内蒙古草地为研究对象,应用植被指数模型、PROSAIL模型以及热暗点指数模型对研究区草地进行叶面积指数定量估算研究,同时利用LAI-2000获取的实测数据进行反演结果检验。结果显示:复合型植被指数统计模型的R2=0.7,物理模型为0.67;而传统植被指数模型R2仅为0.61。实验表明热暗点植被指数模型比传统植被指数模型更适于进行内蒙古草地LAI定量反演。     

Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops

Leaf area index (LAI) and biomass are important indicators of crop development and the availability of this information during the growing season can support farmer decision making processes. This study demonstrates the applicability of RapidEye multi-spectral data for estimation of LAI and biomass of two crop types (corn and soybean) with different canopy structure, leaf structure and photosynthetic pathways. The advantages of Rapid Eye in terms of increased temporal resolution (∼daily), high spatial resolution (∼5 m) and enhanced spectral information (includes red-edge band) are explored as an individual sensor and as part of a multi-sensor constellation. Seven vegetation indices based on combinations of reflectance in green, red, red-edge and near infrared bands were derived from RapidEye imagery between 2011 and 2013. LAI and biomass data were collected during the same period for calibration and validation of the relationships between vegetation indices and LAI and dry above-ground biomass. Most indices showed sensitivity to LAI from emergence to 8 m²/m². The normalized difference vegetation index (NDVI), the red-edge NDVI and the green NDVI were insensitive to crop type and had coefficients of variations (CV) ranging between 19 and 27%; and coefficients of determination ranging between 86 and 88%. The NDVI performed best for the estimation of dry leaf biomass (CV = 27% and r² = 090) and was also insensitive to crop type. The red-edge indices did not show any significant improvement in LAI and biomass estimation over traditional multispectral indices. Cumulative vegetation indices showed strong performance for estimation of total dry above-ground biomass, especially for corn (CV ≤ 20%). This study demonstrated that continuous crop LAI monitoring over time and space at the field level can be achieved using a combination of RapidEye, Landsat and SPOT data and sensor-dependant best-fit functions. This approach eliminates/reduces the need for reflectance resampling, VIs inter-calibration and spatial resampling.